BSM 物理的深度学习方法：评估 DNN 和 GNN 在粒子碰撞事件分类中的性能
高能物理 - 唯象学
2024-11-12 v1
摘要
在高能粒子碰撞中探测超出标准模型（BSM）信号面临重大挑战，原因在于数据复杂且需要区分罕见的信号事件与标准模型（SM）背景。本研究调查了深度学习模型——具体而言是深度神经网络（DNN）和图神经网络（GNN）——在将粒子碰撞事件分类为 BSM 信号或背景方面的有效性。该研究使用了包含 214,000 个 SM 背景事件和 10,755 个 BSM 事件的数据集。为解决类别不平衡问题，采用了欠采样方法，得到了平衡的类别。开发了三个模型并进行比较：一个 DNN 和两个具有不同图构建方法的 GNN 变体。所有模型均表现出高性能，在受试者工作特征曲线（ROC）下的面积（AUC）值超过 。尽管 DNN 模型在各种指标上略微优于 GNN，但两种 GNN 方法在不同图结构下均表现出可比的结果。GNN 显式捕捉事件内粒子间关系的能力凸显了其在 BSM 信号检测中的潜力。
引用
@article{arxiv.2411.06487,
title = {Deep Learning Approaches for BSM Physics: Evaluating DNN and GNN Performance in Particle Collision Event Classification},
author = {Ali Çelik},
journal= {arXiv preprint arXiv:2411.06487},
year = {2024}
}
备注
Accepted for publication in APPB